使用单个卡方检验检验每个预测变量是否独立于响应变量，然后使用P.卡方检验统计量的值。

有关示例，请参阅“功能参考”页面fscchi2．

使用的排序功能最小冗余最大相关性（MRMR）算法．

有关示例，请参阅“功能参考”页面fscmrmr．

通过使用邻域分量分析（NCA）的对角线调整来确定特征权重。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用成对距离来预测响应。

具体操作请参见功能参考页面FSCNCA.和这些主题：

检查每个预测的重要性单独使用F- 最低，然后使用该等级P.值的F以及统计数据。每一个F- 最低测试假设通过预测器变量值分组的响应值从具有相同均值的群体中绘制，群体装置并不相同。

有关示例，请参阅“功能参考”页面FSRFTEST.．

通过使用邻域分量分析（NCA）的对角线调整来确定特征权重。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用成对距离来预测响应。

具体操作请参见功能参考页面fsrnca和这些主题：

使用该等级功能拉普里亚人得分．

有关示例，请参阅“功能参考”页面fsulaplacian．

使用该等级功能recieff.分类算法和分类算法rrelieff.回归算法。该算法最适合估算基于距离的监督模型的特征重要性，该模型在观察之间使用成对距离来预测响应。

有关示例，请参阅“功能参考”页面relieff．

使用自定义条件按顺序选择特性。定义测量数据特性以选择要素的函数，并将功能句柄传递给序列函数。属性可以指定顺序向前选择或顺序向后选择'方向'名称值对参数。序列使用交叉验证评估标准。

使用自定义条件按顺序选择特性。定义一个实现监督学习算法的函数或一个衡量学习算法性能的函数，并将函数句柄传递给序列函数。属性可以指定顺序向前选择或顺序向后选择'方向'名称值对参数。序列使用交叉验证评估标准。

有关示例，请参阅“功能参考”页面序列和这些主题：

通过使用创建线性判别分析分类器fitcdiscr．训练有素的分类器，返回分类Discriminant.，存储系数幅度DeltaPredictor财产。中的值可以使用DeltaPredictor来衡量预测的重要性。这个分类器使用两个正则化参数伽玛和三角洲识别和删除冗余预测器。您可以使用该参数获得适当的值cvshrink.函数或'OptimizeHyperParameters'名称值对参数。

有关示例，请参阅以下主题：

利用。训练线性分类模型fitcecoc线性二元学习者定义为templateLinear．指定'正规化'的TemplateLinear.作为'套索'使用套索正则化。

例如，请参见使用交叉验证找到良好的套索惩罚．这个例子通过使用不同的强度值来评估模型来确定一个好的套索惩罚强度kfoldLoss．您还可以使用Kfoldedge那kfoldMargin那边缘那损失,或保证金．

利用。训练线性分类模型FitClinear.．指定'正规化'的FitClinear.作为'套索'使用套索正则化。

例如，请参见使用交叉验证的AUC找到良好的套索惩罚．该示例通过使用AUC值评估具有不同强度值的模型来确定良好的租住力量。通过使用计算交叉验证的后级概率Kfoldpredict.，并使用perfcurve．您还可以使用Kfoldedge那kfoldLoss那kfoldMargin那边缘那损失那保证金,或预测．

通过使用培训高斯过程回归（GPR）模型Fitrgp.．设定“KernelFunction”名称值对参数使用自动相关性确定（ARD）。可用选项是'ardsquaredexponential'那'ardexponential'那“ardmatern32”那“ardmatern52”,“ardrationalquadratic”．通过占用负面学习长度尺度的指数来找到预测器权重，存储在KernelInformation财产。

有关示例，请参阅以下主题：

通过使用培训线性回归模型Fitrinear.．指定'正规化'的Fitrinear.作为'套索'使用套索正则化。

有关示例，请参阅以下主题：

用。训练线性回归模型套索使用使用正常化套索．您可以使用使用方法指定套索与岭的重量“α”名称值对参数。

有关示例，请参阅“功能参考”页面套索和这些主题：

用。训练广义线性回归模型套索使用使用正常化lassoglm.．您可以使用使用方法指定套索与岭的重量“α”名称值对参数。

具体操作请参见功能参考页面lassoglm.和这些主题：

通过使用与树学习者一起培训袋装分类集合fitcensemble并指明“方法”作为“包”．然后，使用OobpermutedPredictorimportance.计算禁令外，预测值估算排列．该功能测量模型中预测器变量的影响程度如何预测响应。

有关示例，请参阅“功能参考”页面和主题OobpermutedPredictorimportance.．

使用树学习者训练一个装袋回归集合fitrensemble并指明“方法”作为“包”．然后，使用OobpermutedPredictorimportance.计算禁令外，预测值估算排列．该功能测量模型中预测器变量的影响程度如何预测响应。

有关示例，请参阅“功能参考”页面OobpermutedPredictorimportance.和选择随机森林的预测器．

利用树学习器训练分类集成fitcensemble．然后，使用预测算法计算估算预测重点通过对每个预测器的分裂所造成的风险变化进行求和，并除以分支节点的数量来进行集成。

有关示例，请参阅“功能参考”页面预测算法．

使用fitctree．然后，使用预测算法计算估算预测重点通过在每个预测器上施加风险的变化来实现树的变化，并将总和除以分支节点的数量。

有关示例，请参阅“功能参考”页面预测算法．

使用树学习者培训回归集合fitrensemble．然后，使用预测算法计算估算预测重点通过对每个预测器的分裂所造成的风险变化进行求和，并除以分支节点的数量来进行集成。

有关示例，请参阅“功能参考”页面预测算法．

使用培训回归树Fitrtree.．然后，使用预测算法计算估算预测重点由于在每个预测器上拆分并且通过分支节点的数量划分，因此通过求解平均平方误差（MSE）的变化来实现树木的变化。

有关示例，请参阅“功能参考”页面预测算法．

使用逐步回归使用逐步回归来拟合普遍的线性回归模型stepwiseglm．或者，您可以使用线性回归模型fitglm然后通过使用调整模型步．逐步回归是一种系统方法，用于根据其统计显着性在解释响应变量时从模型中添加和移除术语。

具体操作请参见功能参考页面stepwiseglm和这些主题：

使用逐步回归适合线性回归模型Stepwiselm.．或者，您可以使用线性回归模型Fitlm.然后通过使用调整模型步．逐步回归是一种系统方法，用于根据其统计显着性在解释响应变量时从模型中添加和移除术语。

具体操作请参见功能参考页面Stepwiselm.和这些主题：